Cilj projekta: Implementacija i istraživanje reinforcement learning algoritama.
Opis projekta:
Osnova: Projekat je zamišljen kao pokušaj kreiranja autonomnog agenta koji je sposoban da savlada veštinu Drift-a na nivou sposobnosti profesionalnog vozača.
Okruženje: Need for Speed Carbon, staza Kimei Temple.
Važni faktori: Za drift su bitne promenljive kao što su: brzina ulaska u krivinu pri aktiviranju ručne kočnice i uspešno kontrolisanje vozila pri klizanju, bez udarca u zid.
Nagrada: Na osnovu vremena klizanja, broja krivina u kojima se zaredom održi drift i brzine, se dodeljuju bodovi. Bodovi ce predstavljati nagradu na osnovu koje će algoritam shvatiti u kom stanju je bitno primeniti određene akcije.
Algoritam:
Q-Learning pri čemu će se u obzir uzeti stanja u kojima se vozilo nalazi i trenuci u kojima će algoritam regovati da izvrši akciju koja će dovesti do veće nagrade ili boljeg stanja, pri cemu će nagradu predstavljati bodovi.
Implementacija:
Obrada frejmova: OpenCV, NumPy
Detekcija nagrada: Neuronske mreze, Tesseract
Automatizacija epizoda: PyAutoGUI
Prilagođavanje igre: NFSCExOpts mod
Metrika za poređenje performansi algoritama i/ili parametara algoritma:
Poređenje performansi parametara algoritma će se vršiti poređenjem maksimalnog rezultata epizoda u istim delovima staze nakon određenog broja iteracija.
Podaci koji se koriste: Generisani tokom izvršavanja akcija unutar igre.
Validacija rešenja: Empirijski, uz pomoć prikaza izvršavanja skripte i/ili prikaza video snimka prethodno istreniranog agenta.
ivan7792
commented
6 years ago
Autor: Ljubiša Moćić, RA91/2014, grupa 3
Asistent: Ivan Perić @ivan7792
Cilj projekta: Implementacija i istraživanje reinforcement learning algoritama.
Opis projekta:
Algoritam:
Implementacija:
Metrika za poređenje performansi algoritama i/ili parametara algoritma: Poređenje performansi parametara algoritma će se vršiti poređenjem maksimalnog rezultata epizoda u istim delovima staze nakon određenog broja iteracija.
Podaci koji se koriste: Generisani tokom izvršavanja akcija unutar igre.
Validacija rešenja: Empirijski, uz pomoć prikaza izvršavanja skripte i/ili prikaza video snimka prethodno istreniranog agenta.
Repozitorijum: https://github.com/ljmocic/drift-ai